基于深度强化学习的有限反馈码本自适应 IRS 控制
系统与控制
2022-05-10 v1 机器学习
系统与控制
摘要
智能反射面（IRS）由可配置的超原子组成，可通过设计其反射系数来改变无线传播环境。我们考虑在实际设置中的自适应 IRS 控制，其中（i）IRS 反射系数通过调整嵌入在超原子中的可调元件获得，（ii）IRS 反射系数受入射信号入射角影响，（iii）IRS 部署在多径、时变信道中，以及（iv）从基站（BS）到 IRS 的反馈链路数据速率低。传统的基于优化的 IRS 控制协议依赖信道估计并将优化变量传送给 IRS，由于信道估计的困难以及反馈信道的低数据速率，在此设置中不切实际。为应对这些挑战，我们开发了一种新颖的基于自适应码本的有限反馈协议来控制 IRS。我们提出两种自适应 IRS 码本设计方案：（i）随机邻接（RA），利用信道实现间的相关性；（ii）基于深度神经网络策略的 IRS 控制（DPIC），其基于深度强化学习。数值评估表明，所提方案显著提升了数据速率和在一个相干时间内的平均数据速率。
引用
@article{arxiv.2205.03636,
title = {Deep Reinforcement Learning-Based Adaptive IRS Control with Limited Feedback Codebooks},
author = {Junghoon Kim and Seyyedali Hosseinalipour and Andrew C. Marcum and Taejoon Kim and David J. Love and Christopher G. Brinton},
journal= {arXiv preprint arXiv:2205.03636},
year = {2022}
}
备注
Accepted for publication in IEEE International Conference on Communications (ICC), 2022. arXiv admin note: substantial text overlap with arXiv:2112.01874